Tesseract OCR 설정 방법
설치 및 흔한 실수에 대한 초보자 가이드

Tesseract OCR란 무엇인가

Tesseract는 1980년대 Hewlett-Packard에서 처음 개발되고 2006년부터 Google이 유지 관리해 온 오픈소스 광학 문자 인식 엔진입니다. 스캔한 문서나 페이지 사진 같은 텍스트 이미지를 입력받아 문자 단위로 텍스트를 추출합니다.

한 가지 작업을 탁월하게 수행합니다: 깨끗한 인쇄 텍스트의 문자 인식. 300 DPI로 스캔한 타자 문서를 주면 95-99% 정확도로 단어를 반환합니다. 휴대폰으로 찍은 영수증 사진을 주면 정확도가 떨어집니다. 손으로 쓴 양식을 주면 사실상 사용할 수 없게 됩니다.

이 경계를 이해하는 것이 중요한 이유는 대부분의 초보자가 "OCR 성능이 나쁘다"고 탓하는 경우가 실제로는 올바른 도구를 잘못된 문제에 적용한 것이기 때문입니다. Tesseract는 문자를 읽습니다. 문서 구조를 이해하지는 못합니다 — 어떤 숫자가 청구서 합계인지 품목별 소계인지 알지 못하고, 표를 인식하지 못하며, 의미론적 필드 개념도 없습니다. 평면적인 텍스트 출력은 버그가 아니라 기능입니다. Tesseract가 최신 AI 추출과 어떻게 비교되는지 자세히 알아보려면 OCR이란 무엇인가 설명과 최고의 오픈소스 OCR 도구 비교를 참조하세요.

Tesseract는 Apache 2.0 라이선스로 배포됩니다 — 무료로 사용, 수정, 재배포할 수 있습니다.

설치: 세 가지 운영체제, 각각 하나의 명령어

Tesseract에는 GUI 설치 마법사가 포함되어 있지 않습니다. Linux와 macOS에서는 시스템 패키지 관리자를 통해 설치하고, Windows에서는 타사 설치 프로그램을 통해 설치합니다. 핵심: 엔진과 필요한 언어 데이터를 모두 설치해야 합니다.

아래 표는 각 OS의 기본 설치 방법을 다룹니다. 설치 후에는 항상 tesseract --version으로 확인하세요.

Windows에서 중요한 세부 사항 하나: 일부 버전에서는 설치 프로그램이 Tesseract를 시스템 PATH에 자동으로 추가하지 않습니다. 설치 디렉터리를 시스템 PATH에 직접 추가하거나, TESSDATA_PREFIX 환경 변수를 tessdata 폴더를 가리키도록 설정해야 합니다. 이는 초보자가 가장 흔히 저지르는 오류의 원인이며, 아래 문제 해결 섹션에서 자세히 다룹니다.

첫 번째 추출: Python + pytesseract

Tesseract는 명령줄에서 직접 사용할 수 있지만, 대부분의 개발자는 Python에서 호출하기를 원합니다. pytesseract 라이브러리는 Tesseract 바이너리를 위한 깔끔한 Python 래퍼를 제공합니다.

Python 패키지를 설치하세요:

pip install pytesseract pillow

인쇄된 텍스트가 선명한 이미지를 찾아 작업 디렉토리에 sample.png로 저장하세요. 그런 다음 실행하세요:

from PIL import Image
import pytesseract

img = Image.open('sample.png')
text = pytesseract.image_to_string(img)
print(text)

모든 것이 올바르게 설치되었다면 추출된 텍스트가 터미널에 출력되는 것을 볼 수 있습니다. TesseractNotFoundError: tesseract is not installed or it's not in your PATH 오류가 발생하면 아래 문제 해결 섹션으로 이동하세요. 이것이 문제 #1이며 해결 방법은 간단합니다.

Windows에서는 pytesseract에 Tesseract 실행 파일의 위치를 알려줘야 할 수도 있습니다:

import pytesseract
pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

실제로 사용할 5가지 명령어

Tesseract의 명령줄 인터페이스에는 수십 개의 옵션이 있습니다. 실제로는 정기적으로 소수만 사용하게 됩니다. 다음은 치트 시트입니다:

tesseract scan.png stdout

tesseract scan.png stdout -l deu

tesseract receipt.png stdout --psm 4

tesseract scan.png output pdf

for file in *.jpg; do tesseract "$file" "${file%.jpg}"; done

PSM 모드 이해하기: 가장 중요한 단일 설정

Tesseract는 14가지 페이지 분할 모드(PSM 0–13)를 제공합니다. 기본값은 PSM 3 — 완전 자동 페이지 분할입니다. 많은 실제 문서에서 자동 모드는 잘못 추측하며, 이를 변경하는 것이 가장 영향력이 큰 조정입니다.

실제로 사용하게 될 모드에 대한 실용적인 가이드입니다:

PSM 모드에 대한 직관을 기르는 가장 쉬운 방법은 하나의 이미지를 각 모드로 실행하여 출력을 비교하는 것입니다. PSM 3에서 깨진 결과를 반환하는 영수증은 PSM 4에서 깨끗하고 읽기 쉬운 출력을 반환하는 경우가 많습니다. 잘못된 PSM 모드는 초보자가 "Tesseract가 작동하지 않는다"고 결론짓는 가장 흔한 이유입니다 — 실제로는 잘 작동하지만 잘못된 레이아웃 가정을 사용하고 있는 것입니다.

Tesseract 출력을 개선하는 이미지 전처리에 대한 자세한 가이드는 OCR 정확도 향상 방법에 대한 기사를 참조하세요.

언어 팩: 영어 외 언어 지원 추가하기

Tesseract는 100개 이상의 언어를 지원하지만, 기본 설치에는 영어만 포함되어 있습니다. 추가 언어는 .traineddata 파일 형태로 제공되며, Tesseract의 tessdata 디렉토리에 넣어 사용합니다.

공식 traineddata 저장소는 세 가지이며, 용도에 맞게 선택해야 합니다:

• tessdata_fast — 속도에 최적화된 LSTM 기반 모델입니다. tessdata_best보다 약 2~3배 빠르며 정확도 손실은 미미합니다. 대부분의 사용자에게 권장합니다.
• tessdata_best — 가장 정확한 LSTM 모델입니다. 약 2~3배 느리지만, 정확도가 중요하고 처리 속도가 문제되지 않을 때 사용합니다.
• tessdata — 레거시 엔진 모델과 LSTM 모델을 모두 포함합니다. OEM 모드 0 또는 2를 사용하려면 필요합니다.

수동으로 언어를 추가하려면 tessdata_fast 저장소에서 .traineddata 파일을 다운로드하여 tessdata 디렉토리에 넣으세요:

# Linux 기본 tessdata 위치
sudo cp ~/Downloads/deu.traineddata /usr/share/tesseract-ocr/5/tessdata/

# macOS
cp ~/Downloads/deu.traineddata /opt/homebrew/share/tessdata/

# Windows
# C:\Program Files\Tesseract-OCR\tessdata\에 복사

Ubuntu/Debian에서는 언어 패키지를 직접 설치하는 것이 더 쉽습니다: 독일어는 sudo apt install tesseract-ocr-deu, 프랑스어는 tesseract-ocr-fra 등으로 설치합니다. macOS에서는 brew install tesseract-lang 명령어로 모든 언어 팩을 한 번에 설치할 수 있습니다.

가장 흔한 3가지 문제

다양한 환경에서 Tesseract를 설정해본 결과, 다음 세 가지 문제가 초보자 문제의 약 80%를 차지합니다.

from PIL import Image, ImageEnhance, ImageFilter
import pytesseract

img = Image.open('sample.jpg')
# 그레이스케일로 변환하고 대비를 향상
img = img.convert('L')
enhancer = ImageEnhance.Contrast(img)
img = enhancer.enhance(2.0)
# 임계값 적용
img = img.point(lambda x: 0 if x < 140 else 255)
text = pytesseract.image_to_string(img, config='--psm 4')

Tesseract로 부족할 때

Tesseract는 인쇄된 텍스트 이미지를 제로 비용으로 기계가 읽을 수 있는 문자로 변환하는 데 탁월합니다. 하지만 워크플로에서 구조화된 데이터 — 송장 번호, 날짜, 합계, 품목을 스프레드시트의 명명된 필드로 추출하는 것 — 이 필요하다면, Tesseract는 엔진에서 텍스트가 출력되는 지점에서 더 이상 적절한 도구가 아닙니다.

모든 Tesseract 사용자는 결국 이 벽에 부딪힙니다. 텍스트는 얻었지만 여전히 구문 분석, 라벨링, 구조화가 필요합니다. 송장의 테이블은 행-열 관계가 없는 순차적인 문자 벽으로 출력됩니다. 품목과 가격은 존재하지만 헤더 및 푸터 텍스트와 구분할 수 없습니다. 평면 텍스트 출력을 구조화된 데이터로 전환하려면 광범위한 후처리가 필요하거나 완전히 다른 접근 방식이 필요합니다.

현대의 AI 기반 문서 추출 도구는 다른 수준에서 이 문제를 해결합니다. 문자를 읽는 대신 문서 의미론을 읽습니다. 필드가 어떻게 생겼는지가 아니라 무엇을 의미하는지 이해하기 때문에 송장 번호와 납기일을 구분할 수 있습니다. 테이블, 다중 열 레이아웃, 형식 변형을 공급업체별 구성 없이 처리합니다. 문서 구성에 테이블, 필기체, 휴대폰 사진이 포함되거나 원시 텍스트가 아닌 구조화된 데이터 추출이 필요한 경우, AI 추출은 Tesseract가 설계상 다루지 못한 격차를 메우는 상위 레이어입니다.

FAQ

초보자에게 Tesseract와 EasyOCR 중 무엇이 더 나은가요?

Tesseract는 더 빠르고 훨씬 가볍습니다. EasyOCR은 곡선 및 회전 텍스트를 더 잘 처리하며 전처리가 덜 필요합니다. 문서가 깨끗한 인쇄 텍스트라면 Tesseract로 시작하세요. 곡선 텍스트나 혼합 문자 체계가 포함된 사진을 다룬다면 EasyOCR이 기본 상태에서 더 나은 결과를 낼 수 있습니다. 둘 다 평면 텍스트 출력을 생성하며, 구조화된 데이터 추출을 제공하지는 않습니다.

Tesseract가 손글씨를 읽을 수 있나요?

잘 읽지 못합니다. Tesseract는 인쇄된 문자 인식용으로 설계되었으며, LSTM 엔진은 필기체에서 약 45%의 정확도를 보입니다. 즉, 단어의 절반 이상이 잘못 읽힌다는 뜻입니다. 손글씨 문서 처리를 위해서는 문서를 의미적으로 읽는 AI 비전 모델(정확도 가이드에서 설명)이 실용적인 대안입니다.

Tesseract가 PDF에서 직접 작동하나요?

직접 작동하지 않습니다. Tesseract는 이미지 파일(PNG, JPEG, TIFF)에서 작동합니다. PDF를 OCR하려면 먼저 각 페이지를 이미지로 변환해야 합니다. pdftoppm(Linux/macOS) 같은 도구를 사용하거나 Python에서 pdf2image를 사용하면 되며, 내부적으로 pdftoppm 또는 poppler를 호출합니다. 또는 OCRmyPDF가 이 전체 워크플로우를 단일 명령으로 처리합니다: ocrmypdf input.pdf output.pdf.

클라우드 OCR API가 많은데 2026년에도 Tesseract가 여전히 유용한가요?

구조가 필요 없는 대량 인쇄 텍스트 디지털화라는 특정 용도에서는 그렇습니다. Tesseract의 무료, CPU 전용 작동은 도서관 아카이빙이나 수백만 문서의 검색 인덱싱 같은 대용량 시나리오에서 여전히 비교할 수 없을 정도로 뛰어납니다. 명명된 필드, 테이블, 스프레드시트 행 같은 구조화된 출력이 필요한 시나리오에서는 의미적으로 추출하는 클라우드 AI API나 ImageToTable.ai 같은 도구가 더 실용적입니다. Tesseract 기반 파이프라인의 총 비용을 지배하는 후처리 엔지니어링 시간을 없애주기 때문입니다.

Tesseract를 내 데이터로 학습시킬 수 있나요?

가능하지만 과정이 복잡합니다. Tesseract는 LSTM 미세 조정을 지원하며, 각 학습 이미지에 대한 .box 파일 생성, 학습 파이프라인 실행, 맞춤 .traineddata 파일 생성이 필요합니다. 대부분의 실용적인 시나리오에서는 범용 AI 비전 모델을 미세 조정하거나 학습 없이 형식 적응형 추출을 지원하는 도구를 사용하는 것이 더 효율적인 경로입니다.